基于改进郭涛算法的CCEA函数优化问题

郭涛算法在求解函数优化问题方面具有独特的优势,其核心在于多父体杂交。鉴于郭涛算法只有杂交操作而没有变异操作,该文引入高斯正态分布变异算子,提高了对复杂问题的求解效率。分析合作式协同演化算法(CCEA),采用多种群相互作用协同进化的策略求解复杂问题。同时在合作式协同演化模型中引入了郭涛算法,求解复杂高维的函数优化问题。实验结果表明,该模型的效率优于其他模型。     

利用改进的郭涛算法求解函数优化问题

对郭涛算法做了两点改进一是引入演化策略中的高斯变异算子,二是引入自适应搜索子空间.高斯变异算子对群体作正态分布微调,防止早熟;自适应搜索子空间使得群体在演化至接近全局最优解时能自动缩小搜索范围,从而达到加速收敛的目的.数值试验表明新算法正确高效,求解精度高;指出并更正了文献中的两处错误,所用测试函数全局最小值均刷新了文献中记载的最好结果.     

利用改进的郭涛算法求解函数优化问题

对郭涛算法做了两点改进:一是引入演化策略中的高斯变异算子,二是引入自适应搜索子空间。高斯变异算子对群体作正态分布微调,防止早熟;自适应搜索子空间使得群体在演化至接近全局最优解时能自动缩小搜索范围,从而达到加速收敛的目的。数值试验表明:新算法正确高效,求解精度高;指出并更正了文献中的两处错误,所用测试函数全局最小值均刷新了文献中记载的最好结果。     

求解函数优化问题的一种高效混合演化算法

在郭涛算法的基础上设计出了一种求解函数优化问题的高效混合演化算法。新算法的主要特点有两个:一是引入演化策略中的高斯变异算子,二是引入自适应搜索子空间。高斯变异算子对群体作正态分布微调,防止早熟;引入自适应搜索子空间使群体在演化至接近全局最优解时能自动缩小搜索范围,从而达到加速收敛的目的。测试函数表明,该算法正确高效,求解精度极高,指正了文献[3]中的错误,所求函数全局最小值优于文献[3]记录的最好结果。     

基于改进郭涛算法的TSP问题求解

郭涛算法可能是目前求解TSP问题最快的演化算法,其算法的核心在于Inver-over算子的设计,但在城市规模超过80时,该算子寻找全局最优解的能力就会下降。将原Inver-over算子的线性逆转改为环形逆转,改进逆转方式后,被逆转的基因片段可以包括整个染色体,这样能有效地防止解的早熟。同时,在原算法的基础上,引入了映射模块,能使父代中好的基因片段得到遗传,使好的基因片段能让更多的染色体所享有,不会因为父代被替代而让好的基因模式丢失。实验表明：改进后的算法增强了原Inver-over算子对最优解的搜索能力,并且对TSPLIB中大部分实例均可搜索到最优解。     

混合改进蚁群算法的函数优化

针对蚁群算法进化速度慢、容易出现停滞现象的不足,探讨了一种基于自适应信息素挥发因子的改进蚁群算法.针对蚁群算法容易陷入局部最优的缺点,提出了一种基于决策变量高斯变异的改进蚁群算法.针对蚁群算法速度慢的不足,探讨了一种基于决策变量边界自调整的改进蚁群算法.将上述3种改进相融合,提出了一种基于自适应信息素挥发因子、决策变量高斯变异和决策变量边界自调整3种改进策略的混合改进蚁群算法.将其应用于函数优化中,仿真结果表明,混合改进蚁群算法在收敛速度和收敛率方面都有很大改进,具有更好的寻优性能.     

基于差异演化算法和郭涛算法的文化算法

针对数值优化问题,对差异演化算法进行改进,获得多子差异演化算法。将多子差异演化算法和基于自适应搜索子空间的郭涛算法融合到文化算法的框架中,提出一种新的文化算法。实验结果表明,与多子差异演化算法、差异演化算法和基于自适应搜索子空间的郭涛算法相比,该算法收敛速度快,不易陷入局部最优,所得解的质量更好。     

一种改进的求解约束函数优化问题的演化算法

带约束的函数优化是函数优化中最多,也是较难的问题.针对这个问题提出一种改进的算法,它是基于遗传算法的非参惩罚函数的函数优化.通过改进广义的目标函数,对不可行解恰当地进行惩罚,并引进柯西组合、柯西变异以及高斯变异,极大地提高了算法的全局搜索和局部搜索能力,克服传统遗传算法"爬山能力差"的弱点.     

微粒群算法与郭涛算法在数值优化中的比较

对于9个典型的复杂BenchMark测试函数,分别利用PSO算法和GuoA算法进行数值计算比较,大量实验结果表明:GuoA算法更具有通用性和坚韧性,在全局收敛趋势方面较优,但是速度相对较慢;PSO算法的收敛速度很快,而且对于某些极难问题更具有优越性,但成功率相对较低,且容易早熟。     

求解高维函数的改进萤火虫群优化算法

针对萤火虫群优化(GSO)算法求解高维函数时存在求解精度不高、收敛速度慢等缺点,提出了一种带变异算子和集群觅食行为算子的改进萤火虫群优化算法。该算法使用变异算子来指导离群萤火虫的进化方向,从而提高了离群个体的利用率,改善了算法的整体效率。集群觅食行为算子的加入能使算法对捕捉到的全局最优域进行更进一步的求精,极大地提高了算法的计算精度和收敛速度;同时,该算子有效地防止了算法陷入局部最优值的危险,扩大了算法在后期的全局搜索范围。通过8个典型的基准函数测试,结果表明：改进后萤火虫群优化算法具有更强的全局优化能力和更高的成功率。     

改进协同进化算法优化液压集成块管路布置

液压集成阀块管路优化属于带约束组合优化问题,为解决现有蚁群协同进化算法存在的收敛速度慢和寻优路径震荡的问题,结合液压集成阀块的结构特点提出一种基于改进协同进化算法的液压集成阀块布局的多孔道布孔方法。首先在解决管路协同布置的基础上对现有多蚁群协同进化算法的信息素更新公式和启发信息规则中启发信息取值策略进行调整,然后通过实例仿真验证该算法的可行性,并且由结果可知改进前后适应值变化速率可提高。对比调整前在液压集成阀块管路优化方面中能够得到较满意的结果。     

变种群规模合作型协同进化遗传算法及其在优化中的应用

分析合作型协同进化遗传算法的进化效率和计算复杂性等与子种群规模的关系；在此基础上提出子种群规模自适应调整算法的思想，给出子种群规模调整的依据和调整方法；进而提出基于实数编码的变焦遗传算法．典型函数优化实例验证了该算法具有计算复杂性小和进化效率高的优点．     

合作型协同演化算法研究进展

合作型协同演化算法是近年来计算智能研究的热点。它运用生物协同演化的思想,通过构建两个或者多个种群,建立它们之间的合作关系。两个或多个种群通过相互合作来提高各自的性能,适应复杂系统的动态演化环境以及大规模演化环境,从而达到种群优化的目的。主要介绍了合作型协同演化算法的研究状况以及国内外研究进展,详细介绍了它的基本结构及对应的研究、基本算法及一些新兴算法,同时介绍了一些在现实生活中的应用,展望了合作型协同演化算法的发展前景。     

多主体目标优化的动态合作博弈方法

通过多目标优化和动态合作博弈理论,定义了联盟中多主体目标优化问题,提出了能够适应动态环境的基于合作博弈的多主体目标优化模型。该模型的组成一方面能够利用主体的协作能力,另一方面又能够充分考虑动态联盟的特征,适合大规模网络中多主体协作,避免模型中主体理性和团体理性的冲突。基于所提出的多主体目标优化模型,设计了一种联盟效用分配算法。仿真实验表明,联盟效用分配算法能够使多主体根据最优共识原则,分配各方的合作效用,从而达到多赢的帕累托最优局面。     

复杂模糊分类系统的协同进化设计方法

提出一种基于协同进化算法的复杂模糊分类系统的设计方法．该方法由以下3步组成:1)利用Simba算法进行特征变量选择;2)采用模糊聚类算法辨识初始的模糊模型;3)利用协同进化算法对所获得的初始模糊模型进行结构和参数的优化．协同进化算法由三类种群组成;规则数种群,规则前件种群和隶属函数种群;其适应度函数同时考虑模型的精确性和解释性,采用三类种群合作计算的策略．利用该方法对多个典型问题进行分类,仿真结果验证了方法的有效性．     

Seru系统调度优化的知识引导协同进化算法

作为一种新型的生产模式, Seru系统能够兼顾柔性和效率且快速响应市场, 已在装配企业得到广泛应用.为了实现实际生产过程生产效率和劳动效率的协同优化, 本文研究以最小化最大完工时间和工人总劳动时间为目标的Seru系统多目标调度问题, 提出一种知识引导的协同进化算法. 首先, 将问题分解为Seru构造和Seru调度, 构造两个种群分别优化子问题. 同时, 设计种群规模的调整策略, 通过为有潜力的种群分配更多个体来提高协同搜索的效率. 进而, 通过分析问题的性质, 提炼规则性知识用于设计有效的搜索算子和重生成规则, 指导精英个体执行知识驱动的增强搜索, 从而进一步提升算法的局部开发能力. 通过数值仿真和统计性能对比, 验证了算法各设计环节的有效性, 并取得了显著优于现有最新算法的多目标调度优化性能.     

函数优化的一种高效演化算法

提出了一个求解函数优化问题的高效演化算法,其设计思想由混合选择策略与分类变异簟略构成。该算法使用锦标赛选择、轮盘选择相结合的混合选择策略。变异运算分为三类进行：对最好个体实施模式搜索。对适应值排名靠前的三分之一的个体采用柯西变异,而其它个体使用普通变异算子。针对15个测试函数的实验取得了相当好的效果,实验结果表明该算法不仅收敛速度快．而且所求得的解达到或者以相当高的精度逼近最优解。